| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 论文背景及研究意义 | 第10-12页 |
| 1.2 视觉SLAM闭环检测的研究现状及核心问题 | 第12-15页 |
| 1.2.1 视觉SLAM闭环检测的研究现状 | 第12-13页 |
| 1.2.2 视觉SLAM闭环检测的核心问题 | 第13-15页 |
| 1.3 论文的主要工作与结构安排 | 第15-16页 |
| 第2章 典型图像建模方法与属性图模型 | 第16-33页 |
| 2.1 典型图像局部不变特征方法 | 第16-26页 |
| 2.1.1 典型局部不变特征的检测和描述 | 第16-18页 |
| 2.1.2 SIFT特征的检测与描述 | 第18-26页 |
| 2.2 视觉词汇包模型分析 | 第26-29页 |
| 2.2.1 视觉词汇包模型 | 第26-28页 |
| 2.2.2 基于视觉词汇包的闭环检测算法 | 第28-29页 |
| 2.3 属性图模型的构建与匹配 | 第29-31页 |
| 2.3.1 属性图模型的构建 | 第30-31页 |
| 2.3.2 属性图相似度量 | 第31页 |
| 2.4 本章小结 | 第31-33页 |
| 第3章 基于RSOM树的视觉SLAM的场景建模 | 第33-45页 |
| 3.1 视觉场景建模方法分析 | 第33-34页 |
| 3.2 序列图像分组 | 第34-36页 |
| 3.3 基于RSOM聚类树的场景建模 | 第36-44页 |
| 3.3.1 RSOM树原理和训练算法概述 | 第37-41页 |
| 3.3.2 基于RSOM树的视觉场景建模 | 第41-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 基于RSOM树的单目视觉SLAM闭环检测算法 | 第45-59页 |
| 4.1 基于RSOM树的近邻路标检索 | 第45-49页 |
| 4.1.1 基于RSOM树的图像检索 | 第45-47页 |
| 4.1.2 基于RSOM树的近邻路标检索 | 第47-49页 |
| 4.2 闭环检测阈值分量加权 | 第49-52页 |
| 4.2.1 相似性路标阈值分量加权 | 第49-51页 |
| 4.2.2 几何近邻阈值分量加权 | 第51-52页 |
| 4.3 数据库管理 | 第52-56页 |
| 4.3.1 场景信息的完善 | 第53-54页 |
| 4.3.2 无效路标精简 | 第54-56页 |
| 4.4 闭环检测的判定 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 闭环检测实验设计与结果分析 | 第59-71页 |
| 5.1 闭环检测平台搭建与实验场景 | 第59-62页 |
| 5.2 闭环检测实时性能实验 | 第62-65页 |
| 5.2.1 闭环检测室内环境下实时性能实验 | 第62-63页 |
| 5.2.2 闭环检测室外环境下实时性能实验 | 第63-65页 |
| 5.3 闭环检测召回率实验 | 第65-70页 |
| 5.3.1 闭环检测室内环境下召回率实验 | 第66-67页 |
| 5.3.2 闭环检测室外环境下召回率实验 | 第67-70页 |
| 5.4 本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-80页 |
| 致谢 | 第80-81页 |
| 附录A 攻读学位期间所发表学术论文目录 | 第81-82页 |
| 附录B 攻读学位期间所获得的奖励 | 第82-83页 |
| 附录C 序列图像分组部分代码 | 第83-90页 |
| 附录D 增量学习部分代码 | 第90-96页 |